EEGReXferNet：一种通过跨被试迁移学习和通道感知嵌入实现脑电子空间重建的轻量级生成式AI框架
信号处理
2025-11-06 v1 人工智能
机器学习
摘要
脑电图（EEG）是一种广泛使用的无创脑活动监测技术，但由各种伪迹导致的低信噪比（SNR）常常影响其实用性。传统的伪迹去除方法需要手动干预，或在滤波/重建过程中存在抑制关键神经特征的风险。包括变分自编码器（VAE）和生成对抗网络（GAN）在内的生成模型的最新进展，已显示出在脑电重建方面的潜力；然而，这些方法通常缺乏集成的时-谱-空敏感性，且计算密集，限制了其在脑机接口（BCI）等实时应用中的适用性。为克服这些挑战，我们引入了EEGReXferNet，一种通过跨被试迁移学习实现脑电子空间重建的轻量级生成式AI框架——使用Keras TensorFlow（v2.15.1）开发。EEGReXferNet采用模块化架构，利用相邻通道间的容积传导、频带特定卷积编码以及通过滑动窗口的动态潜在特征提取。通过集成基于参考的缩放，该框架确保了连续窗口间的连续性，并在不同被试间有效泛化。这种设计提高了时空谱分辨率（平均功率谱密度相关性 >= 0.95；平均谱图RV系数 >= 0.85），将总权重减少约45%以减轻过拟合，并保持了计算效率，适用于神经生理学和脑机接口应用中鲁棒的实时脑电预处理。
引用
@article{arxiv.2511.02848,
title = {EEGReXferNet: A Lightweight Gen-AI Framework for EEG Subspace Reconstruction via Cross-Subject Transfer Learning and Channel-Aware Embedding},
author = {Shantanu Sarkar and Piotr Nabrzyski and Saurabh Prasad and Jose Luis Contreras-Vidal},
journal= {arXiv preprint arXiv:2511.02848},
year = {2025}
}
备注
Accepted for presentation at the NeurIPS 2025 Workshop on Foundation Models for the Brain and Body